Analisis Calidad del aire Pereira

UNIVERSIDAD EAFIT - GIZ
¶

Grupo de investigación en Economía Espacial - RiSE
¶

Índice del Estudio de Calidad del Aire en Pereira

Índice de contenido

  • Introducción
    • Contexto
    • Impacto del PM 2.5 en la Salud
    • Objetivo
  • Metodología
    • Descripción de los Datos
    • Preprocesamiento de los Datos
  • Resultados
    • Comportamiento Hora a Hora
    • Gráficas Normalizadas
    • Análisis de Correlación
    • Modelos de Regresión Lineal
    • Análisis Micro
  • Referencias
  • Anexos
La Problemática del Tráfico y la Calidad del Aire

Introducción

Cada kilómetro recorrido y el consumo de combustible en los vehículos libera partículas peligrosas al aire que respiramos (Shijia Ling, 2014). El tráfico vehicular no solo congestiona nuestras calles, sino que también compromete nuestra salud. Según la Organización Mundial de la Salud, la contaminación del aire, en gran medida provocada por el tráfico vehicular, causa millones de muertes prematuras cada año (OMS, 2016). Aunque existen más contaminantes provocados por la combustión de combustibles fósiles, nos vamos a enfocar en las partículas PM2.5, material particulado con un diámetro de 2.5 micrómetros o menos. Estas pueden penetrar profundamente en los pulmones hasta llegar a los alvéolos incluso el torrente sanguíneo y según estudios la exposición a largo plazo a PM2.5 está asociada a enfermedades cardiovasculares y respiratorias (Gan et al., 2011; Health Effects Institute, 2010).

Este estudio se lleva a cabo en Pereira, la capital del departamento de Risaralda, en la región del Eje Cafetero de Colombia. Pereira ha experimentado un rápido crecimiento urbano y un notable incremento en el tráfico vehicular, generando serias preocupaciones sobre la calidad del aire. La ciudad, situada en un valle rodeado de montañas, enfrenta condiciones geográficas que pueden influir en la dispersión y concentración de contaminantes atmosféricos. Variables meteorológicas como la temperatura, la humedad, la velocidad del viento y la precipitación, junto con la velocidad del tráfico, juegan un papel crucial en el comportamiento del PM2.5.

El transporte y la dispersión de las partículas PM2.5 se ven afectados por varios procesos. El transporte convectivo, donde el aire en movimiento lleva las partículas contaminantes a diferentes alturas, puede explicar la disminución de las concentraciones de PM2.5 en Pereira durante las horas de la tarde (Li et al., 2023). La difusión, impulsada por diferencias de concentración, permite que los contaminantes se muevan de áreas de mayor concentración a áreas de menor concentración (Deng et al., 2023). Finalmente, la dispersión turbulenta, causada por fluctuaciones locales en la velocidad del aire, provoca movimientos transversales que dispersan las partículas en el aire (Cheng et al., 2023).

En este contexto, nuestro objetivo es analizar el comportamiento del material particulado PM10, PM2.5 y PM1 en Pereira, con especial atención a las PM2.5 y PM1 debido a sus graves efectos en la salud humana. Este análisis es fundamental para desarrollar estrategias que mejoren la calidad del aire y protejan la salud pública.

Partículas en Suspensión (PM) y su Impacto

Contexto

Partículas en Suspensión (PM) y su Impacto

Las partículas en suspensión (PM) son una mezcla compleja de partículas sólidas y líquidas que flotan en el aire. Estas partículas pueden variar en tamaño, desde las más gruesas (PM10) hasta las finas (PM2.5) y ultrafinas (PM1). Las PM2.5, con un diámetro de 2.5 micrómetros o menos, son particularmente peligrosas debido a su capacidad para penetrar profundamente en los pulmones y llegar al torrente sanguíneo (Burnett et al., 2018).

La exposición a PM2.5 se ha asociado con numerosos problemas de salud, incluyendo enfermedades cardiovasculares, respiratorias y muertes prematuras. Estudios han demostrado que estas partículas pueden causar inflamación y estrés oxidativo, que son mecanismos clave en el desarrollo de diversas enfermedades (Guan et al., 2019; Fang et al., 2019).

El comportamiento de las PM2.5 en la atmósfera está influenciado por varias variables meteorológicas y ambientales. Factores como la temperatura, la humedad, la velocidad del viento y la precipitación son esenciales para su transporte y dispersión. Por ejemplo, el transporte convectivo, donde el aire en movimiento lleva las partículas a diferentes alturas, puede explicar las fluctuaciones diarias en las concentraciones de PM2.5 (Cakmak et al., 2018).

La difusión, que ocurre debido a gradientes de concentración, permite que los contaminantes se muevan de áreas con alta concentración a zonas con menor concentración. La dispersión turbulenta, provocada por fluctuaciones locales en la velocidad del aire, induce movimientos transversales que dispersan las partículas en el aire. Estos procesos son cruciales para comprender el comportamiento de las PM2.5 y cómo las condiciones meteorológicas pueden influir en su concentración (Cheng et al., 2023).

La humedad alta puede aumentar la concentración de PM2.5 al proporcionar superficies para la condensación de las partículas, mientras que la lluvia puede ayudar a eliminarlas del aire. La temperatura también afecta la química del aire y la formación de partículas secundarias, que pueden contribuir significativamente a la carga total de PM2.5 (Bravo et al., 2017).

Comprender estos mecanismos es esencial para desarrollar estrategias efectivas que controlen y reduzcan la contaminación por PM2.5, mejorando así la calidad del aire y protegiendo la salud pública.

Mapa de Estaciones de Monitoreo

El siguiente mapa muestra las estaciones de monitoreo de calidad del aire y de tráfico en Pereira, destacando los puntos clave donde se recopilan los datos para este estudio.

Metodología y Resultados: Análisis de Datos

Metodología

Descripción de los Datos

Los datos sobre la calidad del aire, específicamente las concentraciones de partículas PM 2.5, fueron recolectados a partir de 4 estaciones de monitoreo situadas en Carrera 14 - Calle 19, Avenida Americas - Carrera 17, Unicentro y Carrera 8 - Calle 20, de la ciudad de Pereira. Estas estaciones, equipadas con sensores de alta precisión, registran mediciones cada 15 minutos de PM 2.5 en microgramos por metro cúbico (µg/m³), Temperatura (°C) y Humedad (%). La recopilación abarca los meses de marzo, abril, agosto y septiembre de 2023, proporcionando una base de datos robusta para el análisis estacional y temporal.

Los datos de tráfico vehicular fueron obtenidos mediante 5 contadores automáticos ubicados en las principales arterias viales de Pereira los cuales son Terminal, Avenida 30 de agosto (2 vias principales), Ferrocarril(2 vias principales). Estos dispositivos registran el flujo y velocidad vehicular en intervalos de 15 minutos, capturando el dinamismo del tráfico urbano. La colaboración con la Secretaría de Tránsito y Movilidad de Pereira permitió acceder a esta valiosa información, esencial para correlacionar los patrones de tráfico con las fluctuaciones en la calidad del aire.

Por ultimo los datos de precipitaciones y velocidad del viento, fueron obtenidos de datos abiertos, esta informacion proviene de 3+ estaciones del Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM) ubicadas en los alrededores de la ciudad de Pereira. Estos dispositivos registran precipitacion (mm) y velocidad del viento (m/s) en intervalos de 10 minutos.

Preprocesamiento de los Datos

El preprocesamiento de los datos fue un paso crítico para garantizar la integridad y fiabilidad del análisis subsecuente. Se implementaron técnicas avanzadas de limpieza de datos para eliminar valores atípicos, gestionar datos faltantes e interpolacion lineal para encontrar los datos cada 15 minutos de viento y precipitacion, se utilizaron bibliotecas de Python como Pandas, Geopandas. Este proceso incluyó la normalización de las series temporales y la sincronización de las diferentes fuentes de datos para asegurar coherencia en los análisis comparativos.

Análisis de Datos

Gráfica de Días Típicos

Para visualizar las tendencias diarias, se calculó el promedio horario de las concentraciones de PM 2.5 y del tráfico vehicular en toda la ciudad. Esta comparación horaria permite identificar patrones específicos de comportamiento diario en la contaminación del aire y su relación con el tráfico.

Modelos de Regresión Lineal

Para evaluar la influencia de diferentes variables independientes (tráfico promedio, velocidad promedio de carril solo bus, velocidad promedio carril, humedad promedio, temperatura promedio, precipitacion promedio y velocidad del viento promedio) sobre la concentración de PM 2.5, se desarrollaron modelos de regresión lineal. Se crearon cuatro modelos distintos para capturar las variaciones a lo largo del día:

  • Modelo Total: Utiliza datos promedio de la ciudad a lo largo de todo el día.
  • Modelo Mañana: Se enfoca en el intervalo de 4 am a 9 pm.
  • Modelo Tarde: Analiza el período de 9 pm a 6 pm.
  • Modelo Noche: Considera los datos a partir de las 6 pm en adelante.

Los resultados mostraron que, aunque algunos coeficientes resultaron significativos, los valores de R² fueron relativamente bajos. Esto indica una complejidad subyacente en la relación entre el tráfico y la calidad del aire, sugiriendo que otros factores no considerados en los modelos podrían estar influyendo significativamente en las concentraciones de PM 2.5.

Gráficas Normalizadas

Gráficas normalizadas de tráfico promedio para la ciudad y PM 2.5 promedio para la ciudad para realizar un análisis de series de tiempo y mostrar gráficamente que el comportamiento de PM 2.5 cambia con respecto al de tráfico, para comprobar que existe una tendencia de que el tráfico aumenta las cantidades de PM 2.5.

Análisis de Resultados

Resultados

En esta sección, se presenta un análisis exhaustivo de los datos recolectados, con el objetivo de entender mejor cómo el tráfico y otras variables ambientales influyen en los niveles de PM 2.5 en la ciudad de Pereira. Se incluyen varias gráficas que muestran el comportamiento de las variables estudiadas, comparaciones entre PM 2.5 y otras variables, y entre tráfico y otras variables.

Comportamiento Hora a Hora

Comportamiento Hora a Hora

La información se presenta por hora del día, calculando el valor promedio para cada hora de todas las variables incluidas en el modelo de regresión lineal. Estas variables son: tráfico promedio, humedad promedio, temperatura promedio, precipitación promedio, velocidad promedio de bus y velocidad promedio de carril. Se han creado gráficas normalizadas para comparar los comportamientos de estas variables a lo largo del día, permitiendo así un análisis más claro de cómo cambia el PM 2.5 en relación con el tráfico y otras condiciones ambientales.

La disminución de las concentraciones de PM 2.5 en las horas de la tarde se debe principalmente a los procesos de convección del aire y dispersión turbulenta. El transporte convectivo, donde el aire en movimiento lleva las partículas a diferentes alturas, y la dispersión turbulenta, causada por fluctuaciones locales en la velocidad del aire, ayudan a reducir las concentraciones de PM 2.5 en estas horas (Li et al., 2023; Cheng et al., 2023).

No description has been provided for this image
Gráficas Normalizadas

Gráficas Normalizadas

Las gráficas normalizadas de tráfico promedio para la ciudad y PM 2.5 promedio para la ciudad muestran un análisis de series de tiempo que ilustra cómo el comportamiento de PM 2.5 varía en comparación con el tráfico. Este enfoque ayuda a corroborar la hipótesis de que el tráfico influye en el aumento de las concentraciones de PM 2.5.

Para más detalles y datos adicionales, consulta el anexo.

No description has been provided for this image
Análisis de Correlación de PM2.5

Análisis de Correlación de PM2.5

En el análisis de correlación utilizando los coeficientes de Spearman y Pearson, se evaluaron la fuerza y la dirección de las relaciones entre PM2.5 y otras variables. Este análisis complementa los modelos de regresión lineal, proporcionando una visión más completa de cómo se interrelacionan las variables estudiadas.

Las correlaciones de Pearson indican que el tráfico promedio tiene una correlación positiva significativa con PM2.5 (0.455), lo que refuerza la conclusión de que un mayor tráfico está asociado con mayores niveles de PM2.5. Este hallazgo es consistente con las conclusiones del modelo de regresión lineal y subraya la necesidad de gestionar el tráfico para mejorar la calidad del aire.

La humedad promedio muestra una correlación negativa muy baja (-0.021) con PM2.5, lo que sugiere que la humedad no tiene un impacto fuerte sobre los niveles de PM2.5. La temperatura promedio, por otro lado, tiene una correlación positiva moderada (0.199), lo que indica que las temperaturas más altas pueden estar asociadas con mayores concentraciones de PM2.5.

La velocidad del viento promedio tiene una correlación positiva muy baja (0.062862) con PM2.5, mientras que la precipitación promedio muestra una correlación negativa (-0.051), aunque ambas correlaciones son bastante débiles. Esto sugiere que estas variables meteorológicas tienen un impacto limitado en las concentraciones de PM2.5.

La velocidad promedio de los carriles presenta una correlación negativa significativa (-0.271) con PM2.5, indicando que velocidades más altas en los carriles pueden estar asociadas con menores niveles de PM2.5. La velocidad promedio de los buses tiene una correlación negativa muy baja (-0.072), sugiriendo un impacto menor. La velocidad promedio total también muestra una correlación negativa moderada (-0.222) con PM2.5.

Las correlaciones de Spearman refuerzan estos hallazgos. El tráfico promedio tiene una correlación positiva (0.462) con PM2.5, y la humedad promedio muestra una correlación positiva muy baja (0.023557). La temperatura promedio tiene una correlación positiva baja (0.115) y la velocidad del viento promedio una correlación positiva muy baja (0.036). La precipitación promedio muestra una correlación negativa muy baja (-0.062), mientras que la velocidad promedio de los carriles presenta una correlación negativa significativa (-0.244). La velocidad promedio de los buses tiene una correlación positiva baja (0.074), y la velocidad promedio total una correlación negativa moderada (-0.152).

En resumen, el tráfico promedio y la temperatura promedio muestran las correlaciones más fuertes con PM2.5, mientras que la humedad, la velocidad del viento y la precipitación tienen correlaciones débiles. La velocidad en los carriles y la velocidad promedio total tienen correlaciones negativas con PM2.5, sugiriendo que mayores velocidades pueden ayudar a reducir los niveles de este contaminante.

Correlaciones de PM2.5

Correlaciones de Pearson de PM2.5 con Otras Variables

Variable Correlación
Tráfico promedio 0.454948
Humedad promedio -0.020918
Temperatura promedio 0.198556
Velocidad viento promedio 0.062862
Precipitación promedio -0.051215
Velocidad promedio de carril -0.271219
Velocidad promedio de bus -0.072137
Velocidad promedio -0.222345
Correlaciones de PM2.5

Correlaciones de Spearman de PM2.5 con Otras Variables

Variable Correlación
Tráfico promedio 0.461591
Humedad promedio 0.023557
Temperatura promedio 0.115673
Velocidad viento promedio 0.035827
Precipitación promedio -0.062228
Velocidad promedio de carril -0.243563
Velocidad promedio de bus 0.074140
Velocidad promedio -0.152670
Modelos de Regresión Lineal

Modelos de Regresión Lineal

Para cuantificar las relaciones entre las variables independientes (tráfico promedio, velocidad promedio, humedad promedio, temperatura promedio, precipitación promedio, velocidad promedio de bus y velocidad promedio de carril) y la variable dependiente (PM 2.5), se han desarrollado modelos de regresión lineal. Estos modelos permiten identificar la magnitud y la dirección de las influencias de cada variable independiente sobre el PM 2.5. Se construyeron cuatro modelos específicos para diferentes intervalos del día:

  • Modelo Total: Utiliza datos promedio de la ciudad a lo largo de todo el día.
  • Modelo Mañana: Se enfoca en el intervalo de 4 am a 9 am.
  • Modelo Día: Analiza el período de 9 am a 6 pm.
  • Modelo Noche: Considera los datos a partir de las 6 pm en adelante.

Los resultados mostraron que, aunque algunos coeficientes resultaron significativos, los valores de R² fueron relativamente bajos. Esto indica una complejidad subyacente en la relación entre el tráfico y la calidad del aire, sugiriendo que otros factores no considerados en los modelos podrían estar influyendo significativamente en las concentraciones de PM 2.5.

Resumen de Modelos de Regresión Lineal

Resumen de Modelos de Regresión Lineal para marzo, abril, agosto y septiembre

Modelo Constante Tráfico Humedad Temperatura Velocidad viento Precipitación Velocidad Carril Bus Velocidad Carril Error R2 R2
Coef P-Value Coef P-Value Coef P-Value Coef P-Value Coef P-Value Coef P-Value Coef P-Value Coef P-Value
Modelo Total -71.465 0.000** 0.029 0.000** 0.542 0.000** 1.464 0.000** -1.521 0.000** -4.873 0.000** 0.225 0.000** -0.059 0.001* 36.856 0.391
Modelo Mañana -57.767 0.000** 0.029 0.000** 0.311 0.000** 1.817 0.000** -1.241 0.059 -6.391 0.000** 0.134 0.000** 0.015 0.543 28.075 0.545
Modelo Tarde -99.645 0.000** 0.0188 0.000** 0.763 0.000** 2.206 0.000** -2.138 0.000** 0.061 0.944 0.261 0.000** -0.094 0.000** 33.175 0.413
Modelo Noche -100.274 0.000** 0.024 0.000** 0.585 0.000** 2.700 0.000** 1.288 0.000** -5.841 0.000** 0.218 0.000** 0.014 0.566 34.039 0.482
Análisis de Modelos de Regresión Lineal para Calidad del Aire

Conclusiones de los Modelos de Regresión Lineal

El análisis de los modelos de regresión lineal para los meses de marzo, abril, agosto y septiembre revela información importante sobre los factores que influyen en la calidad del aire. En primer lugar, el tráfico promedio se destaca como un predictor consistente y significativo en todos los modelos, lo que indica que a mayor tráfico, la variable dependiente, que en este caso puede ser la concentración de contaminantes, también aumenta. Este hallazgo subraya la necesidad de implementar medidas de gestión del tráfico para mejorar la calidad del aire (Shijia Ling, 2014).

Otro hallazgo relevante es el impacto positivo significativo de la humedad y la temperatura en todos los modelos. Esto sugiere que ambos factores meteorológicos contribuyen a aumentar la concentración de contaminantes. La relación positiva entre la humedad y la contaminación podría explicarse por la capacidad del aire húmedo para mantener en suspensión las partículas contaminantes durante más tiempo, mientras que la temperatura alta podría intensificar las reacciones químicas que generan más contaminantes en el aire (Li et al., 2023).

La velocidad del viento y la precipitación muestran un impacto negativo significativo en la mayoría de los modelos. La velocidad del viento ayuda a dispersar los contaminantes, reduciendo así su concentración en el aire. La precipitación también tiene un efecto limpiador, ya que las gotas de lluvia arrastran las partículas hacia el suelo. Sin embargo, la precipitación no siempre es significativa, lo que puede deberse a variaciones en la intensidad y la duración de las lluvias (Deng et al., 2023).

En cuanto a las velocidades promedio, la velocidad promedio de los buses siempre tiene un impacto positivo significativo. Esto indica que los buses que circulan a mayores velocidades pueden contribuir a una mayor dispersión de los contaminantes. Por otro lado, la velocidad promedio del carril tiene un impacto mixto; en algunos modelos es significativa y negativa, mientras que en otros no muestra significancia estadística (Cheng et al., 2023).

Finalmente, el modelo de regresión para la mañana presenta el mejor ajuste con un R² de 0.545, sugiriendo que las variables independientes explican mejor la variabilidad de la concentración de contaminantes en este periodo del día.

Análisis de Cointegración entre PM 2.5 y Tráfico

Análisis de Cointegración entre PM 2.5 y Tráfico

El análisis de cointegración se llevó a cabo para determinar si existe una relación a largo plazo entre las variables PM 2.5 y tráfico. A continuación, se presentan los resultados obtenidos:

$$ \begin{align*} \text{Estadístico de Cointegración} &: -14.4361 \\ \text{Valor p} &: 6.7369 \times 10^{-26} \\ \text{Valores críticos} &: \begin{cases} -3.8983 & \text{(1\%)} \\ -3.3372 & \text{(5\%)} \\ -3.0452 & \text{(10\%)} \end{cases} \end{align*} $$
Análisis de Cointegración entre PM 2.5 y Tráfico

Interpretación de Resultados

El valor del estadístico de cointegración es -14.436, que es mucho menor que los valores críticos en todos los niveles de significancia (1%, 5% y 10%). Esto indica que rechazamos la hipótesis nula de no cointegración. En otras palabras, existe una relación de cointegración significativa entre las variables PM 2.5 y tráfico, lo que sugiere que estas variables se mueven conjuntamente a largo plazo.

El valor p asociado a este estadístico es extremadamente bajo (6.736875218277933e-26), lo que refuerza aún más la evidencia contra la hipótesis nula. Un valor p tan pequeño indica que la probabilidad de que estas dos series sean no cointegradas es prácticamente nula.

Implicaciones

La cointegración entre PM 2.5 y tráfico implica que las fluctuaciones en los niveles de tráfico están estrechamente relacionadas con los cambios en las concentraciones de PM 2.5 en el aire. Esta relación es crucial para la formulación de políticas y estrategias de control de la contaminación del aire. Al identificar que el tráfico vehicular es un factor determinante en los niveles de PM 2.5, se pueden implementar medidas específicas para reducir el tráfico en áreas críticas, mejorando así la calidad del aire y la salud pública.

En resumen, los resultados del análisis de cointegración proporcionan evidencia sólida de que el tráfico vehicular y las concentraciones de PM 2.5 están cointegrados, destacando la importancia de abordar el tráfico como una forma de mitigar la contaminación del aire.

Análisis Micro de Calidad del Aire en Pereira

Análisis Micro De Calidad De Aire Pereira:

Focalizando en las estaciones específicas de Carrera 14 y Terminal, este análisis micro detalla cómo el tráfico en inmediaciones afecta directamente las concentraciones de PM 2.5 registradas. Se discute la correlación específica en estos puntos, destacando las diferencias o similitudes en los patrones de contaminación, lo cual es esencial para planificar intervenciones locales y medidas de mitigación.


Matriz de Distancias entre Calidad de Aire y Tráfico en Pereira

Matriz de distancias calidad de aire y Tráfico:

La matriz de distancias proporciona una visión cuantitativa de la proximidad entre las estaciones de calidad de aire y los puntos de medición del tráfico. Esta información es crucial para analizar la influencia directa del tráfico cercano sobre las mediciones de PM 2.5, permitiendo identificar las estaciones que están más expuestas a fuentes de contaminación vehicular.


Matriz de Distancias entre Estaciones de Calidad del Aire y Tráfico (en metros)
Estaciones calidad del aire Terminal Av 30 Agosto Av 30 Agosto 2 Ferrocarril Ferrocarril 2
Av América 1850 850 850 2475 2475
Unicentro 5268 4286 4286 5919 5919
Carrera 8 1331 876 876 859 859
Carrera 14 733 851 851 902 902
Subtítulo Formateado

Calidad del aire PM 2.5 Promedio Carrera 14

Datos calidad de aire estacion calidad de aire Carrera 14.


Subtítulo Formateado

Tráfico Terminal

Datos conteo de tráfico estación Terminal.


Subtítulo Formateado

Calidad del aire PM 2.5 Av América

Datos de calidad de aire en la Avenida América.


Subtítulo Formateado

Tráfico Av 30 Agosto

Datos de conteo de tráfico en la Avenida 30 de Agosto.


Subtítulo Formateado

Calidad del aire PM 2.5 Unicentro

Datos de calidad de aire en Unicentro.


Subtítulo Formateado

Tráfico Av 30 Agosto 2

Datos de conteo de tráfico en la Avenida 30 de Agosto 2.


Subtítulo Formateado

Calidad del aire PM 2.5 Carrera 8

Datos de calidad de aire en la Carrera 8.


Subtítulo Formateado

Tráfico Ferrocarril

Datos de conteo de tráfico en Ferrocarril.


Subtítulo Formateado

Tráfico Ferrocarril 2

Datos de conteo de tráfico en Ferrocarril 2.


Partículas en Suspensión (PM) y su Impacto

Referencias

  • Burnett et al., 2018.
  • Guan et al., 2019.
  • Fang et al., 2019.
  • Cakmak et al., 2018.
  • Cheng et al., 2023.
  • Bravo et al., 2017.
  • Shijia Ling, 2014.
  • OMS, 2016.
  • Guan et al., 2011.
  • Health Effects Institute, 2010.
  • Li et al., 2023.
  • Deng et al., 2023.

Subtítulo Formateado

ANEXOS

Graficas adicionales para comparacion.


No description has been provided for this image
No description has been provided for this image